音乐的机器学习模型通常将作曲任务分解为一个时间顺序的过程，从头到尾一次性完成乐曲的创作。相比之下，人类作曲家则以非线性的方式创作音乐，他们会在不同的地方草拟旋律片段，并经常重新审视之前做出的选择。为了更好地模拟这一过程，我们训练了一个卷积神经网络来完成部分乐谱，并探索了阻塞吉布斯采样（blocked Gibbs sampling）作为重写的类比方法。无论是模型还是生成过程都不依赖于特定的因果方向。我们的模型是无序NADE（Uria等人，2014年）的一个实例，该模型允许更直接的祖先采样。然而，我们发现吉布斯采样极大地提高了样本质量，这主要是由于某些条件分布建模不佳所致。此外，我们还证明了即使使用Yao等人（2014年）提出的廉价近似阻塞吉布斯程序，其样本质量也优于祖先采样，这一点通过对数似然性和人类评估均得到了验证。